مجموعة بيانات COCO8#

8

coco8

ultralytics

publicDetect

Sample dataset with 8 images from COCO (Common Objects in Context) for testing YOLO object detection models. Ideal for validating training pipelines and quick experiments.

380 classes837.5 KBFeb 9, 2026

personbicyclecarmotorcycle+76

مقدمة#

يعد مجموعة بيانات Ultralytics COCO8 مجموعة بيانات مدمجة وقوية object detection، وتتكون من أول 8 صور من مجموعة التدريب COCO train 2017 - 4 للتدريب و4 للتحقق من الصحة. صُممت مجموعة البيانات هذه خصيصًا للاختبار السريع، وتصحيح الأخطاء، والتجربة مع نماذج YOLO ومسارات التدريب. يجعلها حجمها الصغير قابلة للإدارة بشكل كبير، بينما يضمن تنوعها أن تكون بمثابة فحص سلامة فعال قبل التوسع إلى مجموعات بيانات أكبر.

هيكل مجموعة البيانات#

تضم مجموعة البيانات COCO8 أول 8 صور من مجموعة التدريب COCO train 2017 - 4 للتدريب و4 للتحقق من الصحة - لتغطي المجموعة الكاملة المكونة من 80 فئة كائن في COCO بتنسيق YOLO label format:

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

استكشف COCO8 on Ultralytics Platform لتصفح كل صورة مع طبقات التعليقات التوضيحية الخاصة بها، وعرض توزيع الفئات الخرائط الحرارية للمربعات المحيطة في علامة التبويب Charts، واستنساخها لتدريب نموذجك الخاص في السحابة.

YAML مجموعة البيانات#

يتم تحديد تكوين مجموعة بيانات COCO8 في ملف YAML، والذي يحدد مسارات مجموعة البيانات، وأسماء الفئات، وغيرها من البيانات الوصفية الأساسية. يمكنك مراجعة الملف الرسمي coco8.yaml في Ultralytics GitHub repository.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

الاستخدام#

يتم تنزيل مجموعة بيانات COCO8 (1 ميجابايت) تلقائيًا في المرة الأولى التي تبدأ فيها التدريب. لتدريب نموذج YOLO26n على COCO8 لمدة 100 epochs بحجم صورة يبلغ 640، استخدم الأمثلة التالية. للحصول على قائمة كاملة بخيارات التدريب، راجع YOLO Training documentation.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

صور وشروحات توضيحية عينة#

فيما يلي مثال على دفعة تدريب موزاييكية (mosaiced) من مجموعة بيانات COCO8:

• صورة موزاييكية: توضح هذه الصورة دفعة تدريب حيث يتم دمج صور متعددة من مجموعة البيانات باستخدام توسيع الموزاييك (mosaic augmentation). يزيد توسيع الموزاييك من تنوع الكائنات والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بشكل أفضل على أحجام الكائنات، ونسب العرض إلى الارتفاع، والخلفيات المختلفة.

تعد هذه التقنية مفيدة بشكل خاص لمجموعات البيانات الصغيرة مثل COCO8، حيث تزيد من قيمة كل صورة أثناء التدريب إلى أقصى حد.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO في بحثك أو تطويرك، يرجى الاستشهاد بالورقة البحثية التالية:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

شكر خاص لـ COCO Consortium لمساهماتهم المستمرة في مجتمع computer vision.

الأسئلة الشائعة#